刘斌 曹民

摘要：汽轮发电机组逐渐智能化，功能不断增强，但不确定性因素和不确定性信息仍然大量存在。针对该问题，用概率神经网络（PNN）诊断汽轮发电机组故障。PNN优点较多，机器学习算法简易、方便训练，相比于传统样本处理方法，PNN可训练样本并引入训练网络，更好地确保诊断结果正确率与可信度。MATLAB仿真结果表明，PNN在保证诊断结果准确的基础上，速度更快、分类性能大幅提高，诊断效率也提高至98%。

关键词：故障诊断;汽轮发电机组;神经网络;概率神经网络

DOI：10.11907/rjdk.182871开放科学（资源服务）标识码（OSID）：

中图分类号：TP301文献标识码：A 文章编号：1672-7800（2019）010-0023-04

0引言

随着科技及电力行业的迅速发展，机械硬件可靠性与实用性低、安全保障差等问题逐渐缓解，但汽轮机极易发生故障，从而造成严重危害，怎样诊断并解决汽轮发电机组故障成为故障研究和诊断技术的重要课题。人工智能进入大众视野后，汽轮发电机组故障诊断方法由前期的人工诊断转向更加自动化和智能化的方向。丹麦B&K公司推出状态监测与故障诊断系统B&K3450型COMPASS系统，既能检测、记录机器的异常情况，还可以进行故障隔离等;王彬等提出一种基于BP神经网络的故障诊断方法，结合油中气体分析法，可对汽轮机进行有效诊断;张冉等改进BP（Back Propagation）网络，将其应用于汽轮机故障诊断，通过BP网络参数调整，加快网络收敛速度、减少迭代次数，提高了诊断准确率;董立新等发现了一种模糊粗糙集数据挖掘方法，可从决策表中提取出诊断规则，为汽轮机提供有效的故障诊断。

本文提出基于概率神经网络（Probabilistic Neural Net-work，PNN）的诊断方法，PNN是建立在贝叶斯分类和Par-zen窗法上的一种并行算法，用线性学习算法解决非线性问题具有很大优势，可改进BP网络初始参数选取不当引起的网络发散现象，同时也不会出现BP网络收敛于局部最小点的情况，PNN常收敛于最优解，稳定性大幅提高，收敛速度加快，因此诊断效率可进一步提升。

1概率神经网络（PNN）模型

神经网络以神经生物学为前提，是由许多人工神经元（见图1）构成的网络，它是一种将人类思维方式用数学模型抽象化，再体现为人脑思维的并行处理网络，是人脑功能特性的体现。该网络既有数值数据分析的普遍计算能力，又可以学习和记忆知识，其自组织和自学习能力可将输入输出关系非线性化。

2概率神经网络模型理论与方法

3概率神经网络汽轮发电机组故障诊断模型

确定PNN输入向量即为选取特征量，为验证基于PNN的故障诊断方法有效性，选择汽轮发电机组常见的3种故障为诊断对象：油膜振荡、不平衡与不对中。故障样本的特征信号由汽轮发电机组振动信号的频域特征频谱中<0.4f、0.4f-0.5f、1f、2f、3f、>3f（f为旋转频率）的6个不同频段上幅值分量为特征量，Typel表示油膜振荡、Type2表示不平衡、Type3表示不对中。运用PNN对汽轮机进行故障诊断，一般分为两个阶段：训练阶段和诊断阶段，流程如图3所示。

本文构建的PNN模型中，输入层有6个处理单元（对应6个频率特征量），模式层有22个处理单元（对应22个样本），类别层有3个处理单元（对应3种故障类型）。其中，模式层处理单元为径向基神经元。样本数据如表1所示，前15个作为训练样本，后7个作为测试样本。

可以直接使用MATLAB的函數net=newpnn（P，T，spread）创建PNN网络，其中P为输入向量，T为目标向量，spread为径向基函数的扩展系数。在PNN网络诊断过程中，诊断准确率主要与径向基神经元的扩展系数spread及训练样本有关，训练样本数越多，诊断准确率越高，所以本文在保证训练样本数不变的情况下，改变spread再进行仿真实验，从而判断对故障系统的影响，分别取spread值为0.2、0.5、1.0、1.5。

图4是不同spread值的仿真结果。

从仿真结果和数据统计分析可知，在本文构造的故障诊断系统中，随着spread的不断提高，故障准确率不断下降。当spread=0.2时，系统准确率最高。因此可以推测，在spread更小时，故障诊断准确率可接近百分之百，用于对汽轮机进行故障诊断是非常有效的。

4结语

本文通过对神经网络的学习，在BP网络基础上建立了简单的概率神经网络模型，对汽轮发电机组一些常见故障进行诊断，在对PNN的训练和诊断中，无论初始输入是什么，在Bayes优化解的前提下，总收敛于最优解，稳定性大幅提高;同时，在新增加或者删除样本时，PNN只需增加或者减少中间层的处理单元数，对连接权值进行相对改变，即可加快诊断速率。通过仿真分析可知，PNN诊断速度更快，在径向基扩展系数spread越来越小的情况下，诊断准确率达到98%，可满足工业汽轮机诊断要求。